Google ปล่อย agents-cli 1.0 — คำสั่งเดียวเปลี่ยน Claude Code/Codex ให้เชี่ยวชาญการสร้าง agent บน Google Cloud

Google เปิดตัว agents-cli เวอร์ชัน 1.0.0 เมื่อ 1 กรกฎาคม 2026 (บล็อกประกอบลงวันที่ 30 มิ.ย.) — เครื่องมือ open-source ภายใต้ Apache-2.0 ที่มีแนวคิดต่างจาก SDK ทั่วไปตรงที่ มันไม่ได้ให้คุณมานั่งอ่านเอกสารเอง แต่ สั่งติดตั้ง “skills” เข้าไปใน coding agent ที่คุณใช้อยู่แล้ว แล้วปล่อยให้ agent ตัวนั้นกลายเป็นผู้เชี่ยวชาญการสร้าง AI agent บน Google Cloud แทน

จุดที่ทำให้มันน่าสนใจสำหรับผู้อ่านของเราคือ มันข้ามค่าย — ไม่ได้ผูกกับ Gemini CLI/Antigravity เท่านั้น แต่ทำงานใน Claude Code และ OpenAI Codex ได้ด้วย ตามที่ repo ระบุไว้ว่าเป็น “CLI และ skills ที่เปลี่ยน coding assistant ตัวไหนก็ได้ให้เชี่ยวชาญการสร้าง ประเมิน และ deploy AI agent บน Google Cloud”

ติดตั้งครั้งเดียว ได้ skill ครบวงจร agent

คำสั่งหลักคือ:

uvx google-agents-cli setup
# หรือเอาเฉพาะ skills:
npx skills add google/agents-cli

หลังติดตั้ง coding agent ของคุณจะได้ชุด skill ที่ครอบคลุมทั้งวงจรชีวิตของ agent:

• ออกแบบ workflow และเลือกโมเดล ให้เหมาะกับงาน
• แพตเทิร์นการเขียนโค้ดด้วย ADK Python API
• scaffold โปรเจกต์ (สร้างใหม่ / enhance / upgrade)
• ประเมินผล (evaluation) ตามระเบียบวิธีที่มากับเครื่องมือ
• deploy ไปยัง Agent Runtime, Cloud Run หรือ GKE
• ลงทะเบียนกับ Gemini Enterprise และตั้ง observability/monitoring

แนวคิดนี้คือแพตเทิร์น “Agent Skills” ที่ Anthropic จุดกระแสไว้ นำมาใช้กับสแตก agent ของ Google เอง — แทนที่จะเป็นเอกสาร คุณได้ ความสามารถที่ agent โหลดเข้าไปทำงานได้ทันที

หัวใจอยู่ที่ “quality flywheel” — eval ที่ทำงานเอง

ส่วนที่น่าจับตาที่สุดไม่ใช่ตัว scaffold แต่คือ วงจรคุณภาพ (quality flywheel) ที่ทำ regression testing ให้ agent แบบอัตโนมัติ ผ่าน 5 ขั้น: เตรียมข้อมูล → รันทดสอบ → ให้คะแนน trace → วิเคราะห์ความล้มเหลว → ปรับปรุงซ้ำ

กลไกที่ขับเคลื่อนมันคือ:

• User Simulator — สังเคราะห์สถานการณ์ทดสอบขึ้นมาเอง เพื่อแก้ปัญหา “cold start” ตอนที่ยังไม่มีชุดทดสอบจริง
• AutoRaters — “ผู้ตัดสิน” ที่เป็นโมเดล ทำหน้าที่ ดึงเจตนาของผู้ใช้จากบทสนทนา → สร้าง rubric เฉพาะเคสนั้น → ตรวจ trace เทียบทีละเกณฑ์ → แล้ว majority-vote (พัฒนาร่วมกับ DeepMind)
• Automatic Loss Analysis — เมื่อมีเคสล้มเหลวตั้งแต่ 10 เคสขึ้นไป ระบบจะ จัดกลุ่มความล้มเหลว ให้เห็นแพตเทิร์น ว่าพังเพราะอะไรซ้ำ ๆ

พูดง่าย ๆ คือมันเปลี่ยนคำว่า “ดูดีขึ้นนะ ทดลอง 3 เคสแล้วผ่าน” ให้กลายเป็น “ดีขึ้นแบบวัดได้จริงในโปรดักชัน” — ซึ่งเป็นช่องว่างที่ทีมสร้าง agent ส่วนใหญ่ยังขาด

มุมมอง AI Curator

agents-cli น่าสนใจในสองมิติ มิติแรกคือ การยอมรับว่า “skill” กำลังกลายเป็นหน่วยของการกระจายความรู้ให้ agent — Google เลือกส่งมอบความเชี่ยวชาญ ADK ผ่าน skill ที่เสียบเข้า Claude Code/Codex ได้ ทั้งที่เป็นเครื่องมือของคู่แข่ง นี่คือการยอมรับความจริงว่านักพัฒนาไม่ได้อยู่ในค่ายเดียว และใครที่ทำให้ “ใช้ของฉันจากที่ที่คุณอยู่แล้ว” ได้ง่ายที่สุดคือคนได้เปรียบ

มิติที่สอง — และสำคัญกว่าสำหรับทีมไทย/SEA — คือ eval ที่ทำงานอัตโนมัติ ปัญหาใหญ่ที่สุดของทีมที่เอา agent ขึ้นโปรดักชันจริงไม่ใช่การเขียน agent ให้ทำงานได้ แต่คือ การรู้ว่ามันยังทำงานดีอยู่ไหมหลังแก้ prompt/เปลี่ยนโมเดล ทีมส่วนใหญ่ยังทดสอบด้วยมือกับไม่กี่เคส แล้วภาวนา แนวคิด AutoRater + user simulator + loss clustering คือความพยายามทำให้ “การวัดคุณภาพ agent” เป็นระบบที่ทำซ้ำได้ ซึ่งเป็นทักษะที่ตลาดยังขาดมาก

ข้อควรระวังที่ต้องพูดตรง ๆ: มันผูกกับ Google Cloud (Cloud Run/GKE/Gemini Enterprise/Agent Runtime) — คุณค่าเต็ม ๆ จะได้เมื่ออยู่ในระบบนิเวศนั้น ทีมที่ deploy บนที่อื่นจะได้ประโยชน์จากส่วน skill/eval เป็นหลัก ไม่ใช่ส่วน deploy และเช่นเดียวกับ AutoRater ทุกตัว — “ผู้ตัดสินที่เป็นโมเดล” ก็มีอคติของมันเอง ควรใช้เป็น สัญญาณเสริม ไม่ใช่คำตัดสินสุดท้ายแทนคนทั้งหมด แต่แนวทางโดยรวมถูกทาง: ปี 2026 การสร้าง agent กำลังขยับจาก “เขียนให้เดินได้” ไปสู่ “พิสูจน์ให้ได้ว่ามันดีจริง”

แหล่งข่าว

• Driving the agent quality flywheel from your coding agent — Google Developers Blog (30 มิ.ย. 2026)
• google/agents-cli บน GitHub (v1.0.0, Apache-2.0)
• Google ADK Go 2.0 — รันไทม์ multi-agent แบบ graph (1 ก.ค. 2026)